Prevedere i prezzi delle criptovalute utilizzando il Machine Learning
Più specificatamente, gli autori hanno analizzato la performance di tre modelli di previsione sui prezzi giornalieri delle criptovalute. Due di questi modelli si basano sugli alberi decisionali con “potenziamento del gradiente”, mentre il terzo è legato alle reti neurali ricorrenti di lungo e breve periodo (LSTM). Nel primo metodo, il modello è stato utilizzato per prevedere il rendimento dell’investimento per tutte le valute; nel secondo metodo, gli autori hanno costruito un modello diverso per ogni moneta per ottenere una previsione su di essa mediante l’utilizzo dell’informazione relativa al comportamento dell’intero mercato; nel terzo e ultimo metodo, essi hanno ancora costruito un modello differente per ogni moneta, ma la previsione si è basata sui prezzi precedenti.
Essi hanno anche costruito portafogli d’investimento basati sulle previsioni dei tre differenti modelli utilizzati e hanno comparato le loro performance con quelle di un riferimento rappresentato dalla ben nota strategia di media mobile semplice utilizzata come modello di comparazione nelle previsioni degli andamenti azionari. I parametri di ogni modello sono stati ottimizzati su base giornaliera tranne che per l’ultimo metodo, e tale ottimizzazione è stata basata sul risultato della scelta dei vari parametri nei periodi precedenti. Per l’ottimizzazione dei parametri e per l’analisi della performance dei portafogli sono state utilizzate due metriche: il rendimento medio geometrico e il quoziente di Sharpe. Per scontare l’effetto della crescita del mercato preso nel suo insieme, i prezzi delle criptovalute sono stati espressi in Bitcoin (quindi il Bitcoin è stato escluso dall’analisi). Tutte le strategie hanno prodotto un profitto in termini di Bitcoin per l’intero periodo analizzato e per un’ampia gamma di periodi di trading più brevi (ovvero per differenti combinazioni di date d’inizio e fine dell’attività di trading), anche quando sono considerate commissioni di transazioni per un massimo dello 0,2%.
I tre metodi hanno avuto una performance migliore rispetto alla strategia base di media mobile semplice quando la strategia d’investimento è stata condotta per tutto il periodo considerato. L’ottimizzazione dei parametri basata sul quoziente di Sharpe ha raggiunto i rendimenti più alti. I metodi basati sugli alberi decisionali a potenziamento del gradiente (i primi due) hanno funzionato meglio quando le previsioni erano basate su una finestra di breve periodo di 5/10 giorni, il che fa supporre che tali modelli sfruttano bene soprattutto le relazioni di breve periodo. Al contrario, le reti neurali ricorrenti LSTM, hanno funzionato al meglio quando le previsioni erano basate su una finestra di dati di circa 50 giorni, poiché esse sono in grado di catturare anche le relazioni di più lungo periodo e sono estremamente stabili a fronte della volatilità di prezzo. Le reti neurali hanno permesso di ottenere un profitto anche considerando commissioni di transazione nella misura massima dell’1%. I metodi basati sugli alberi decisionali a potenziamento del gradiente permettono comunque dei risultati meglio interpretabili. I ricercatori hanno trovato che i prezzi e i rendimenti di una criptovaluta negli ultimi giorni che precedono la previsione erano fattori importanti nell’anticipare il suo comportamento. Fra i due metodi basati sulle foreste casuali (o alberi decisionali), il secondo (ovvero quello che considera un modello diverso per ogni criptovaluta) ha avuto una migliore performance. Infine, vale la pena notare che tutti e tre i modelli proposti risultano più robusti quando le previsioni vengono effettuate in termini di Bitcoin piuttosto che di Dollaro USA. Questo fatto comporta che la previsione simultanea della tendenza dell’intero mercato delle criptovalute oltre che degli sviluppi delle singole monete è una sfida più ardua rispetto allo studio della sola previsione dei prezzi e dei rendimenti delle sole singole valute.
Lo studio ha comunque alcune limitazioni. Anzitutto, l’esistenza di diversi prezzi su diverse piattaforme di scambio non è stata considerata. Se lo fosse, la diversità dei prezzi fra piattaforme potrebbe aprire la strada a rendimenti degli investimenti significativamente più alti. In secondo luogo, sono state ignorate anche le fluttuazioni di prezzo intra-giornaliere ed è stata fatta la scelta di prendere solo un prezzo medio giornaliero. Da ultimo, e in modo determinante, gli autori hanno eseguito un’analisi in cui l’offerta disponibile di Bitcoin è illimitata, mentre nessuna delle loro transazioni influenza il mercato. Nonostante queste semplificazioni, i metodi presentati sono stati sistematicamente e regolarmente capaci d’identificare delle monete più performanti.
Un approccio diverso ma ugualmente promettente nello studio delle criptovalute è quello della quantificazione dell’impatto dell’opinione pubblica sul comportamento di mercato, misurato attraverso le reti sociali, alla stessa maniera in cui esso è stato utilizzato per i mercati azionari e di cui ci siamo occupati già in precedenza. Anche se le reti sociali possono essere efficaci nella previsione dei prezzi delle criptovalute, la conoscenza dei loro effetti sull’intero mercato resta ancora limitata e costituisce quindi un’interessante direzione di analisi futura.
